Блок 1. Машинное обучение и искусственный интеллект

Блок 2. Нейронные сети

Основные составные части внутреннего устройства GPT. Простейшая нейронная сеть прямого распространения (feedforward neural network) для распознавания рукописных цифр: Входы, нейроны, нейронные связи, веса, сумматор, функция активации, выход. Обучение нейронной сети – обратное распространение ошибки. Подготовка данных для обучения нейронной сети: разметка данных, training set, test set. Различные архитектуры нейронных сетей: в частности, decoder, encoder. Представление слов для работы нейронной сети (word2vec). Self-attention механизм. Нейронные сети для распознавания и генерации сложных изображений.

Понятие машинного обучения и искусственного интеллекта. Сильный и слабый искусственный интеллект, тесты на искусственный интеллект.

Блок 4. Обработка естественного языка

Блок 5. Анализ данных / машинное обучение

5.0 Введение и простейшие методы Виды машинного обучения – с учителем \ без учителя. Классификация, регрессия, кластеризация, ассоциации, уменьшение размерности. Простейшие методы анализа – меры средней, регрессии (линейная, полиномиальная, логистическая).

5.1 Матрицы и линейные уравнения - рекомендательные системы Выявление (скрытых) предпочтений покупателей \ пользователей, населения \ электората. Cambridge Analytica \ Трамп и Brexit.

5.2 Деревья решений Деревья решений. Построение деревьев решений, подготовка данных для обучения деревьев решений, выбор факторов. Переобучение и обрезка деревьев (pruning). Ансамблевые методы – бэггинг, случайные леса.

5.3 Теорема Байеса. Ассоциативные правила. Кластеризация. Снижение размерности Какова вероятность болезни при положительных анализах. Что еще порекомендовать покупателю. На какие группы делятся наблюдения (клиенты, конкуренты и т.д.). Есть ли неважные данные.

Основные подходы к обработке естественного языка. Концепция bag-of-word, векторные представления – поиск документов, простейшая ответная система. Структурированный анализ текста и онтологии.

Эксперты курса